[发明专利]一种基于卷积神经网络的用电异常预判方法

说明书

本发明涉及电网技术领域，特别涉及一种基于卷积神经网络的用电异常预判方法。包括数据预处理的过程和数据训练的过程；数据预处理的过程包括：通过预处理脚本文件对数据进行属性层次分析；按照训练故障数据要求对数据进行属性层次分类；对分类近似数据进行合并；重新计算生成各类数据之间的距离；生成初步线性数据并判断数据的分类准确性；数据分类完成存储入库；数据准备完成；数据训练的过程包括：制作异常数据训练数据集；进入监控中心查看状态确认是否进行调整；完成训练后，进行数据处理，获得异常的样本；利用正异常样本调整手段，自动生成海量负样本；把正异常样本做成数据集，进行训练；训练完成对模型进行测试；训练完成。

（一）技术领域

本发明涉及电网技术领域，特别涉及一种基于卷积神经网络的用电异常预判方法。

（二）背景技术

伴随深度学习技术的迅猛发展，越来越多应用均采用了深度学习技术。在统计数据分析领域尤其进展迅速，当前实现解决故障的方法是利用现有的采集设备将数据采集并发送到后端服务器平台上，服务器端对数据进行分析入库，平台根据各种异常问题数据的阀值对故障进行报警，但是随着国家电网、各种企业及家庭对用电依赖，一旦出现异常问题再进行处理，一般会造成一定的损失，因此急需采用一种方法，能够在故障发生之前一段时间内给出一个预判，某个地点或者设备在未来的一定时间内可能会发生故障，及时安排人员提前进行检修，避免故障发生后产生更多损失，实践证明使用基于深度学习的数据特征模型分析预判异常的发生是一个很好的选择。

基于深度学习神经网络的算法研究，实现对用电异常预判，可以有效提高异常问题识别速度和准确率。

（三）发明内容

本发明为了弥补现有技术的不足，提供了一种基于卷积神经网络的用电异常预判方法。

本发明是通过如下技术方案实现的：

一种基于卷积神经网络的用电异常预判方法包括数据预处理的过程和数据训练的过程；所述数据预处理的过程包括以下步骤：S11通过预处理脚本文件对数据进行属性层次分析；S12按照训练故障数据要求对数据进行属性层次分类；S13对分类近似数据进行合并；S14重新计算生成各类数据之间的距离；S15生成初步线性数据并判断数据的分类准确性；S16数据分类完成存储入库；S17数据准备完成；所述数据训练的过程包括以下步骤：S21制作故障数据训练数据集；S22进入监控中心查看状态确认是否进行调整；S23完成训练后，进行数据处理，获得故障的样本；S24利用正常和故障样本调整手段，自动生成海量故障样本；S25把正常和故障样本做成数据集，进行训练；S26训练完成对模型进行测试；S27训练完成。

其中，所述数据预处理的过程需要预先进行数据预处理应用平台的配置，具体包括在源服务器上搭建数据预处理平台；配置分类参数及数据库；确认预处理平台是否部署成功。

数据预处理的过程具体包括以下步骤：

S11通过预处理脚本文件对数据进行属性层次分析；

其中，属性层次分类模型，分为三层，顶层为目标层，中间为准则层，底层为方案层，以顶层与中间层的每一元素为准则，构造与它有关的下一层元素的属性判断矩阵。

采集的所述数据具体包括电流、电压、功率、电量四类数据。

S12按照训练故障数据要求对数据进行属性层次分类；

其中，故障数据包括电压故障数据、电流故障数据、功率故障数据、电量故障数据；

其中，电压故障数据包括：欠压数据、过压数据；电流故障数据：电流失衡数据、二次串接数据；功率故障数据：电流回路数据、二次串接数据；电量故障数据：总分时表码不等数据、表码数据跳变数据。

S13对分类近似数据进行合并；

S14重新计算生成各类数据之间的距离；